[发明专利]基于长短期记忆网络的齿轮剩余寿命预测方法

权利要求书

1.基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于，具体步骤如下：

步骤1、在齿轮箱安装传感器，获取齿轮弯曲疲劳的实时监测数据；

加速度传感器安装在主试箱的轴承座位置，在齿轮箱内安装温度传感器，在主试箱的正上方安装噪声传感器，

步骤2、对齿轮的疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；

利用均方幅值对齿轮磨损状态变化进行性能衰退评估，对于每次采样时间Δt长度内，离散随机信号的时间序列均方幅值可表示为：

式中Δt为采用时间；n＝F_s×Δt，F_s为采样频率，n为采样点数，∑表示求和，i∈(1,2,3....n)，x_i(t)为采样值；

步骤3、建立基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型；

步骤4、基于LSTM预测模型的进行参数优选；

步骤5、根据齿轮状态估计及已知的齿轮故障阈值进行齿轮剩余寿命预测：

加速度传感器接收到的振动数据经过特征提取后的数据作为模型输入，采用改进型LSTM模型进行齿轮剩余寿命预测，通过预测到的退化状态值及已知的退化状态故障阈值可求解首次到达故障阈值的时间，将采样点数折算成时间，引用绝对误差百分比(AbsolutePercentage Error,APE)

其中，T_RUL为模型预测的剩余寿命，

T_a＝T^*-t_p

式中，t_p表示当前时刻，T_a为齿轮的实际剩余寿命，T^*为齿轮首次到达故障阈值的时间。

2.根据权利要求1所述的基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于：步骤3中建立的基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型包括输入层、隐藏层、输出层、网络训练以及网络预测五个功能模块；

输入层负责对齿轮弯曲疲劳的实时监测数据进行初步处理以满足网络输入要求，隐藏层采用LSTM细胞搭建单层循环神经网络，输出层提供预测结果，网络训练采用从网络结构的搭建，学习率、窗口设置上对LSTM进行优化，参数修正时加入Nesterov动量，防止陷入局部最优，采用RMSProp算法修正模型自适应率的优化方法，网络预测采用迭代的方法逐点预测，进而改进网络模型预测的准确性。